Videos mit KI erstellen: der komplette Leitfaden von der Idee bis zur Veröffentlichung

Videos mit KI zu erstellen ist längst nicht mehr „Werkzeug öffnen, Satz tippen". Ein brauchbares Video entsteht in derselben Reihenfolge wie ein gedrehtes: Sie entscheiden, was Sie erzählen, teilen es in Einstellungen, nehmen sie auf — und schneiden erst danach.

Dieser Leitfaden geht diese Reihenfolge komplett durch. Keine Werkzeugvorstellung, sondern der Ablauf von der Idee bis zur Veröffentlichung: welches Werkzeug bei welchem Schritt hilft, wo Geld verbrennt und was weiterhin von Hand passieren muss.

Wo Sie tiefer einsteigen wollen, verlinke ich auf einen ausführlichen Artikel.

Warum man mit dem Ablauf beginnt, nicht mit dem Werkzeug

Fast alle Anfänger machen denselben Fehler: Werkzeug öffnen, Satz tippen, Ergebnis ablehnen, nächstes Werkzeug. Nach sechs Werkzeugen lautet das Fazit „das funktioniert nicht".

Das Problem ist aber nicht das Werkzeug. Ein Video zu machen ist keine einzelne Handlung, sondern sieben Entscheidungen. Das Werkzeug übernimmt genau eine davon:

1. Was Sie erzählen (Idee)
2. In welcher Reihenfolge (Skript)
3. Wie viele Einstellungen, je wie lang (Storyboard)
4. Wie das Bild jeder Einstellung entsteht (Erzeugung)
5. Wie die Einstellungen zusammenkommen (Schnitt)
6. Woher der Ton kommt (Musik, Effekte, Sprecher)
7. Wo veröffentlicht wird (Format, Titelbild, Titel)

Die KI hat Punkt vier übernommen. Die anderen sechs bleiben bei Ihnen. Die Suche nach dem „besten Werkzeug" ist eigentlich der Wunsch, sechs Probleme auf einen Knopf abzuwälzen — und endet deshalb immer in Enttäuschung.

1. Die Idee: ein Satz

Jedes Video braucht einen Kern in einem Satz. Nicht „ein Video über dieses Produkt", sondern „ein Video, das in drei Sekunden spüren lässt, welches Problem dieses Produkt löst".

Ohne diesen Satz verlieren Sie sich in der Erzeugung: Jede Einstellung sieht schön aus und das Video sagt nichts. KI hat das verstärkt, denn „eine schöne Einstellung" ist jetzt gratis. Knapp ist nicht das Bild, sondern die Regie.

Praktische Prüfung: Kann jemand nach dem Ansehen in einem Satz sagen, worum es ging? Wenn nicht, liegt das Problem hier, nicht im Schnitt.

2. Das Skript: die Drei-Sekunden-Regel

Auf Kurzvideoplattformen entscheiden die ersten drei Sekunden alles. Deshalb baue ich Skripte nicht klassisch als Anfang-Mitte-Ende, sondern so:

• 0–3 s: Ergebnis oder Problem zeigen. Neugier oder Wiedererkennen.
• 3–15 s: zeigen, wie. Hier sitzt die dichteste Information.
• 15–25 s: das Ergebnis erneut zeigen, jetzt mit Bedeutung.
• Schluss: genau ein Handlungsaufruf. Zwei Aufrufe heißt keiner.

Halten Sie die Sätze kurz. Lange Sätze verwischen Einstellungsgrenzen und brechen den Rhythmus im Schnitt.

3. Das Storyboard: am häufigsten übersprungen, am meisten wert

Ein Storyboard ist Papier und Stift und dauert zehn Minuten. Es zu überspringen verbrennt das halbe Budget.

Notieren Sie pro Einstellung drei Dinge: Dauer, was zu sehen ist, was die Kamera tut. Beispiel:

Einstellung 1 · 3 s · unordentliche Hefte auf dem Tisch · langsame Fahrt hinein
Einstellung 2 · 2 s · App öffnet sich auf dem Telefon · statisch, über die Schulter
Einstellung 3 · 4 s · Serienzähler steigt im Display · leichtes Gleiten

Sobald das steht, kennen Sie die Zahl der Erzeugungen — also Ihre Kosten. Ohne das entscheiden Sie während der Erzeugung, und jeder unentschlossene Versuch kostet.

Dazu eine Regel: ein Ereignis pro Einstellung. „Geht, setzt sich, steht auf und geht hinaus" sind drei Einstellungen. In einer Erzeugung verlangt, werden alle drei schlecht.

4. Erzeugung: welches Werkzeug wofür

Diesen Schritt hat die KI übernommen, und er teilt sich nach dem, was Sie schon haben.

Sie haben nichts — Text zu Video. Erzeugt die beschriebene Einstellung von Grund auf. Der flexibelste und am wenigsten kontrollierbare Weg. Der Prompt muss fünf Teile tragen: Subjekt, Handlung, Ort, Kamera, Licht. Details in der Einführung zu Higgsfield.

Sie haben Material — Video zu Video. Versuchen Sie nicht, Kamera und Timing neu einzufangen; Sie haben beides schon. Higgsfields Genjutsu behält die Bewegung und ändert Figur, Kleidung, Ort oder Produkt im Bild. Der günstigste Weg zu Werbevarianten. Im selben Artikel steht auch, wie man in Blender grob blockt und daraus eine Actioneinstellung macht.

Sie bauen eine Szene — szenenorientierte Werkzeuge. Google Flow ist darauf gebaut, Einstellungen zu verbinden und Kamerafahrten aus einer Liste zu wählen. Den Vergleich habe ich in Flow gegen Higgsfield gezogen.

Sie betten es in ein Produkt ein — APIs und Connectoren. Erzeugung aus der eigenen App heraus aufzurufen ist eine eigene Welt; durchgehend beschrieben im Artikel zu Higgsfield + Fable 5.1.

5. Kosten: die eine Zahl, die die Rechnung bestimmt

Der wichtigste Satz dieses Leitfadens: Die Rechnung bestimmen die Versuche, nicht die Auflösung.

In allen Werkzeugen ergibt sich der Preis aus diesem Produkt:

Kosten = Versuche × Auflösung × Dauer

Vier bis sechs Versuche für zehn brauchbare Sekunden sind normal. Entscheidend ist also, in welcher Qualität diese Versuche laufen:

1. Alle Versuche in der niedrigsten Auflösung. Bildaufbau, Timing und Bewegung sind dort sichtbar.
2. Prompt und Referenzen festhalten, die funktioniert haben.
3. Nur das Finale in hoher Auflösung rechnen.

Diese Reihenfolge drückt die Kosten regelmäßig auf ein Drittel. Das Gegenteil — hoch anfangen und sechsmal iterieren — ist die teuerste Art zu lernen.

6. Konsistenz: dieselbe Figur, andere Einstellung

Die bekannteste Schwäche generativer Videos: Dieselbe Figur kommt in zwei Erzeugungen nicht identisch zurück. Die Lösung ist nicht bessere Beschreibung, sondern Zeigen:

• Figur als Frontal-, Profil- und Ganzkörperreferenz übergeben.
• Nahaufnahmen der entscheidenden Details ergänzen (Logo, Accessoire, Textur).
• In allen Einstellungen dieselbe Referenzmenge und dieselbe Prompt-Vorlage verwenden.

Die Werkzeuge bieten dafür verschiedene Funktionen — bis zu 40 Referenzbilder bei Higgsfield, vordefinierte Figuren-, Objekt- und Stilreferenzen bei Flow. Die Logik ist identisch: Das Modell soll lesen, nicht sich etwas ausdenken.

7. Schnitt, Ton und Veröffentlichung

Erzeugte Einstellungen sind für sich noch kein Video. Der Rest bleibt klassisches Handwerk:

Schnitt. Einstellungen ordnen, Überschuss wegnehmen. Der Schnittpunkt liegt meist dort, wo die Handlung endet — eine halbe Sekunde früher als gedacht.

Ton. Die verborgene Hälfte. Schlechtes Bild verzeihen Zuschauer, schlechten Ton nicht. Raumton, Aufprallgeräusche und Musikpegel bewirken mehr als die Einstellungen selbst.

Schrift im Bild. Schilder, Displays und Etiketten brechen bei generativen Modellen noch. Legen Sie Text im Schnitt darüber, statt ihn erzeugen zu lassen — sauberer, und die Sprache ist austauschbar.

Untertitel. Der Großteil der Kurzvideo-Zuschauer schaut stumm. Ohne Untertitel werfen Sie das halbe Video weg.

Titelbild und Titel. Ein Video, das niemand anklickt, hat keine messbare Qualität. Gestalten Sie das Titelbild unabhängig vom Video; das beste Einzelbild ist nicht das beste Titelbild.

Was heute noch schwer ist

Ehrliche Grenzen zum Einplanen:

• Keine langen Einstellungen. Modelle arbeiten in Sekunden. Eine Minute entsteht im Schnitt.
• Hände und schnelle Bewegung sind Risikozone. Solche Einstellungen kurz halten.
• Schrift im Bild bricht.
• Physikalische Konsistenz (ein Objekt bleibt über die Einstellung gleich) ist nicht garantiert.

Nichts davon heißt unbrauchbar; es heißt drumherum planen. Stellen Sie das Schwierige nicht ins Zentrum des Videos.

Rechte, Transparenz und reale Personen

Drei Regeln:

1. Lesen Sie die kommerziellen Bedingungen des eingesetzten Werkzeugs; sie ändern sich oft, und bei Kundenarbeit liegt die Verantwortung bei Ihnen.
2. Erzeugen Sie Gesicht oder Stimme realer Personen nicht ohne Einwilligung.
3. Verbergen Sie den KI-Einsatz nicht. Zu erklären, wie etwas entstand, weckt meist mehr Interesse als das Ergebnis.

Womit anfangen?

Bringen Sie an einem Wochenende eine Aufgabe zu Ende:

1. Einen echten Bedarf wählen — 15 Sekunden genügen.
2. Den Kernsatz schreiben.
3. Das Storyboard auf Papier bringen.
4. Jede Einstellung niedrig aufgelöst erzeugen, die Treffer hoch aufgelöst wiederholen.
5. Schneiden, Ton und Untertitel ergänzen, veröffentlichen.

Wer diese fünf Schritte einmal gegangen ist, muss beim nächsten Werkzeugwechsel nichts neu lernen. Werkzeuge wechseln halbjährlich, diese Reihenfolge nicht.

Werkzeugnamen, Versionen und Preise ändern sich schnell; prüfen Sie sie vor einer Entscheidung auf der aktuellen Anbieterseite.

Häufig gestellte Fragen

Wie erstellt man ein Video mit KI?

Die Reihenfolge: den Kernsatz schreiben, das Skript so bauen, dass die ersten drei Sekunden das Ergebnis zeigen, im Storyboard Dauer und Kamera jeder Einstellung festlegen, die Einstellungen niedrig aufgelöst erzeugen und nur die Treffer hoch aufgelöst wiederholen, dann Schnitt, Ton, Untertitel und Titelbild. Die KI übernimmt von diesen sieben Schritten nur die Erzeugung.

Ist KI-Videoerstellung kostenlos?

Die meisten Werkzeuge enthalten ein begrenztes Gratiskontingent, ernsthafte Nutzung läuft über Kredite oder ein Abo. Die Kosten bestimmt nicht die Preisliste, sondern die Zahl der Versuche: alle Versuche niedrig aufgelöst und nur das Finale in hoher Qualität kann die Rechnung auf ein Drittel senken.

Welches KI-Videowerkzeug ist das beste?

Es gibt kein einzelnes bestes, es hängt von der Aufgabe ab. Für Einstellungen von Grund auf führen Text-zu-Video-Modelle, für Änderungen an vorhandenem Material Video-zu-Video (etwa Genjutsu), für das Verbinden zu einer Szene szenenorientierte Werkzeuge wie Google Flow. Professionelle Abläufe nutzen meist mehrere.

Wie lang darf ein KI-erzeugtes Video sein?

Eine einzelne Erzeugung reicht von wenigen Sekunden bis etwa eine halbe Minute. Längere Videos entstehen im Schnitt aus kurzen Einstellungen — deshalb ist das Storyboard wichtiger als das Werkzeug.

Wie behalte ich dieselbe Figur über mehrere Einstellungen?

Zeigen Sie die Figur mit Referenzbildern, statt sie zu beschreiben: frontal, im Profil, ganzkörperlich und mit Nahaufnahmen der Details. Verwenden Sie in jeder Einstellung dieselbe Referenzmenge und Prompt-Vorlage. Die Funktionen unterscheiden sich je Werkzeug, die Logik nicht: Das Modell soll lesen, nicht raten.

Darf ich KI-erzeugte Videos kommerziell nutzen?

Die meisten Werkzeuge erlauben die Veröffentlichung vorbehaltlich ihrer Nutzungsbedingungen, doch diese ändern sich häufig und bei Kundenarbeit liegt die Verantwortung bei Ihnen. Unabhängig davon sollten Gesicht oder Stimme realer Personen nicht ohne Einwilligung erzeugt werden.